3D点云目标检测：VoxelNex解读
VoxelNext
- 通用检测器 vs VoxelNext
- 一、3D稀疏卷积模块
- 1.1、额外的两次下采样
- 消融实验结果
- 代码
- 1.2、稀疏体素删减
- 消融实验：
- 代码
- 二、稀疏体素高度压缩
- 代码
- 三、稀疏预测head
通用检测器 vs VoxelNext
一、3D稀疏卷积模块
1.1、额外的两次下采样
使用通用的3D sparse conv，包含4个stage，每个stage穿插常规稀疏卷积和子流形稀疏卷积，得到的特征分别为F1、F2、F3、F4。
消融实验结果
代码
1.2、稀疏体素删减
在backbone的第2个stage开头会有一个下采样，Voxelnext在下采样的时候计算体素的重要性，根据比例删掉不重要的体素。
消融实验：
代码
二、稀疏体素高度压缩
进入检测head前，直接将F4、F5、F6体素压缩合并。
代码
三、稀疏预测head
与常规的3D目标检测head不同，Voxelnext直接使用稀疏的体素进行预测，训练的时候，靠近GT中心点的体素作为正样本，使用focal loss监督，可视化和统计发现，用来预测box的voxel不一定在box中心点，如下图
推理时使用sparse max pooling 代替NMS，具体过程是先对稀疏的Voxel预测一个score，再使用稀疏卷积的操作做max pooling，只保留max pool kernel里得分最高的voxel。
